MAMe 数据集：论高分辨率与可变形状图像属性的相关性
计算机视觉与模式识别
2021-05-21 v3 机器学习
摘要
在图像分类任务中，最常见的做法是将数据集中的所有图像调整为统一的形状，同时降低其精度至便于大规模实验的尺寸。这种做法从计算角度有益，但由于信息丢失和图像变形会带来对性能的负面副作用。在本工作中，我们引入 MAMe 数据集，一个具有显著高分辨率和可变形状属性的图像分类数据集。MAMe 的目标是提供一个用于研究此类属性在图像分类中影响的工具，同时激励该领域的研究。MAMe 数据集包含来自三家不同博物馆的数千件艺术品，并提出一个分类任务，即由艺术专家监督区分 29 种媒介（即材料与技法）。在回顾 MAMe 在当前图像分类任务背景下的独特性后，我们给出了该任务的详尽描述以及数据集统计信息。实验用于评估使用高分辨率图像、可变形状输入以及同时具备这两种属性的影响。结果说明了使用高分辨率图像对性能的正面影响，同时凸显了缺乏利用可变形状的解决方案。一项附加实验揭示了 MAMe 数据集与原型 ImageNet 数据集之间的差异性。最后，使用可解释性方法和专家知识对基线模型进行检视，以获得对尚存挑战的深入认识。
引用
@article{arxiv.2007.13693,
title = {The MAMe Dataset: On the relevance of High Resolution and Variable Shape image properties},
author = {Ferran Parés and Anna Arias-Duart and Dario Garcia-Gasulla and Gema Campo-Francés and Nina Viladrich and Eduard Ayguadé and Jesús Labarta},
journal= {arXiv preprint arXiv:2007.13693},
year = {2021}
}